模式识别课件-(41)--贝叶斯分类器设计实验.pptVIP

Bayes分类器实验 2．实验内容 3．拓展内容（选做，视频中的运动目标检测）1of6 3．拓展内容（选做，视频中的运动目标检测）2of6 3．拓展内容（选做，视频中的运动目标检测）3of6 3．拓展内容（选做，视频中的运动目标检测）4of6 3．拓展内容（选做，视频中的运动目标检测）5of6 3．拓展内容（选做，视频中的运动目标检测）6of6 Bayes分类器实验 （2）习题4.9 Bayes判决界面示意图 KnNN Pdf Estimate Matlab实验 思考题 （1）Bayes分类器在分类识别中相对于判别域界面方程法有什么优点？ （2）在样本概型未知情况下，怎样使用Bayes分类器？ （3）最小损失准则Bayes分类器的最小误判概率是否最小？为什么？ （4）判别域界面方程法中的累积势函数法与贝叶斯判决存在怎样的联系？ * 模式识别 1．实验目的 掌握基于Bayes决策理论的随机模式分类的原理和方法，编写对实际模式样本正确分类的Bayes分类器程序。 2．实验内容 （1）产生二维正态分布模式，并将产生的样本集随机地分为参照集和测试集； （2）用矩估计或最大似然估计法，对（1）产生的样本参照集，估计模式的分布参数； （3）分别设计最小误判概率准则Bayes分类器和最小损失准则Bayes分类器，对（1）中产生的样本测试集进行分类，观察代价函数的设置对分类结果的影响； （4）统计错分概率。 （5）（选做）针对视频数据集或对纸币数据集，重复上述实验。 （6）（选做）用Parzen窗函数法估计概率密度，重复（3）、（4）。 （7）（选做）用Kn近邻元法估计概率密度，重复（3）、（4）。 要求：运用统计模式识别原理，设计一个视频中的运动目标检测程序。 图1 视频中的运动目标检测原理框图 标记运动目标 目标判决 Bayes分类器判决s(x,y,t)属于哪个GMMi，i=1,2,...,c GMM生成、更新用矩估计法建立或更新c个Gauss分布模型GMMi，i=1,2,...,c 输入视频 GMM：Gaussian Mixture Model, GMMi~N(?i,?i), i=1,2,...,c 逐帧、逐点输入像素值s(x,y,t) s(x,y,t) GMM Frames(x,y,1:n), s(x,y,t) =Frames(x,y,t) (1?x?w, 1?y?h , 1?t?n) 一、输入数据结构：Frames:h?w?n三维数组 x y t 第1帧 第2帧 第n帧 h w s(x,y,1) 图2 视频数据结构示意图 表1 GMM(x,y)参数 二、GMM：Gaussian Mixture Model, GMMi~N(?i,?i), i=1,2,...,c 17/50 29/50 4/50 P(?i) 10.28 4.25 1 ?i 86.41 191.62 145 ?i 3 2 1 i ? GMM数据结构：GMM(x,y,?,i),?=(P(?i),?i, ?i)’ h?w?3?c四维数组 三、GMM初始化 GMM数据结构：GMM(x,y,?,i),?=(P(?i),?i, ?i)’ h?w?3?c四维数组 c = 3; %设有3个Guass模型 GMM(:,:,:,2:3)=zeros(h,w); %GMM2,GMM3为空 GMM(:,:,1,1)=ones(h,w); %GMM1只含一点 GMM(:,:,2,1)=Frames(:,:,1);%GMM1一阶矩（均值）为第一帧 GMM(:,:,3,1)=Frames(:,:,1)^2;%GMM1二阶矩为第一帧 四、GMM更新 for k=2:n;x=1:h;y=1:w s=Frames(x,y,k) for i=1:c s?GMM(x,y,:,i)? 更新GMM(x,y,:,j),j=i GMM(x,y,1,j)++； GMM(x,y,2,j) += s； GMM(x,y,3,j) += s^2； Yes 合并最相似的两个GMM(x,y,:,j1) GMM(x,y,:, j2) j=arg min{GMM(x,y,1, j1), GMM(x,y,1,j2)} s?GMM(x,y,:,:)? Yes 新建立GMM(x,y,:,j) GMM(x,y,1,j) = 1； GMM(x,y,2,j) = s； GMM(x,y,3,j) = s^2； No No End 判决s是否是背景 五、背景判决 ?(:) = GMM(x,y,2,:) / GMM(x,y,1,:) ?2(:) = GMM(x,y,3,:) / GMM(x,y,1,:) - ?2 g(:) = GMM(x,y,1,:)/